Nov, 2018

预训练的 CNN 是否适合用作监控视频中异常检测的特征提取器？

PDF
TL;DR本文比较了四种现代图像分类网络提取 features 的结果，并研究了不同的特征标准化技术的使用。结果表明，当使用 CNN 特征进行异常检测时，选择适当的标准化方法对于提高性能至关重要。
surveillance videoscnnsimage classificationanomaly detectionfeature normalization
发现论文，激发创造
  • 插拔式卷积神经网络用于人群运动分析：异常事件检测应用

    本文探究了利用 Convolutional Neural Networks 和低水平的光流测量来检测视频中的局部异常点。研究结果表明，该方法比当前最先进的方法更为优秀。

    Oct, 2016

  • 混合深度网络用于异常检测

    本文提出一种深度卷积神经网络 (CNN)，用于监控视频中的异常检测，该网络能够对每帧视频提供异常评估分数，实验结果与现有研究相竞争。

    Aug, 2019

  • 利用正常模型的转移学习框架进行异常检测

    本文提出了一种基于相似性度量将深度卷积神经网络作为特征提取器用于异常检测的迁移学习框架，并通过对工作点决策阈值的优化来提高检测准确率。

    Nov, 2020

  • 外观 - 运动对应关系视频序列异常检测

    我们提出了一种深度卷积神经网络来检测监控视频中的异常事件，该网络通过学习一种物体外观和运动之间的关系来解决该问题。我们的模型是由重建网络和图像转换模型组成的，它们共享相同的编码器。该模型仅通过正常事件的视频进行训练，可对未知输入进行帧级别的评分。在 6 个基准数据集上的实验证明了该方法在与最先进方法的竞争性能方面的优越性。

    Aug, 2019

  • 利用图像训练的 CNN 架构进行非约束视频分类

    本文探索了使用卷积神经网络（CNN）进行视频事件检测的不同策略，包括空间和时间池化、特征归一化、CNN 层的选择以及分类器的选择。通过在这些维度上进行合理选择，我们的方法在 TRECVID MED'14 数据集上的性能可比先前使用的非 - CNN 模型具有显著提高，并且我们的融合方法可以进一步提高平均精度（mAP）并达到最新的分类性能水平。

    Mar, 2015

  • 学习记忆引导的正常性用于异常检测

    本文提出了一种基于无监督学习的异常检测方法，其中使用内存模块记录正常数据的原型模式，并提出了新的特征紧凑性和分离性损失来训练内存以提高区分能力和识别准确性。该方法在标准基准测试中表现良好，优于现有技术。

    Mar, 2020

  • 何为行人检测带来帮助？

    本文介绍了利用额外特征增强 CNN-based 行人检测方法的有效性，并提出了一种利用多任务训练学习额外特征的网络结构 HyperLearner，通过多次实验得出这种方法的有效性。

    May, 2017

  • CNN 特征在无监督分类方面表现出色

    本文旨在探讨深度卷积神经网络特征对无监督问题的可迁移性，并研究不同的预训练卷积神经网络特征提取器对于图像集群聚类和细粒度分类问题的影响，提出结合预训练的 ImageNet 中的深度特征提取和经典的聚类算法管道的分类方法，在图像聚类方面优于现有算法。作者同时在机器人应用中验证了该方法，成功实现了一种智能物体分类和存储的方案。

    Jul, 2017

  • 基于预训练特征的受限自适应投影异常检测

    本文提出一种基于预训练特征的异常检测框架 (CAP)，该框架通过线性投影头将输入数据和最相似的预训练正常数据匹配，并采用改进的自注意力机制挖掘单类语义特征之间的内在关系，以避免潜在的模式折叠问题，实现了语义异常检测和感知异常检测基准上的最优性能，如 CIFAR-100 数据集上的 96.5％ AUROC，CIFAR-10 数据集上的 97.0％ AUROC 和 MvTec 数据集上的 89.9％ AUROC。

    Dec, 2021

  • 卷积自编码器在视频异常检测中的深度学习方法

    我们提出了一种使用卷积自编码器和解码器神经网络在 UCSD 数据集上检测视频异常的深度学习方法，通过学习正常视频的时空模式，并将测试视频的每一帧与该学习表示进行比较，我们在 Ped1 数据集上实现了 99.35% 的总体准确率，并在 Ped2 数据集上实现了 99.77% 的总体准确率，证明了我们的方法在监控视频异常检测方面的有效性，结果显示我们的方法优于其他最先进方法，可以在实际应用中用于视频异常检测。

    Nov, 2023